論文の概要: Forecasting COVID-19 Counts At A Single Hospital: A Hierarchical Bayesian Approach

• arxiv url: http://arxiv.org/abs/2104.09327v1
• Date: Wed, 14 Apr 2021 11:58:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-04 07:51:32.679578
• Title: Forecasting COVID-19 Counts At A Single Hospital: A Hierarchical Bayesian Approach
• Title（参考訳）: 単一の病院におけるcovid-19数予測:階層的ベイズ的アプローチ
• Authors: Alexandra Hope Lee, Panagiotis Lymperopoulos, Joshua T. Cohen, John B. Wong, and Michael C. Hughes
• Abstract要約: 一つの病院で1日当たりの入院患者数を予測するという課題について検討する。 データのカウント特性を直接キャプチャする階層型ベイズモデルをいくつか開発する。 マサチューセッツ州の8つの病院とイギリスの10の病院のパブリックデータセットに対する我々のアプローチを実証する。
• 参考スコア（独自算出の注目度）: 59.318136981032
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the problem of forecasting the daily number of hospitalized COVID-19 patients at a single hospital site, in order to help administrators with logistics and planning. We develop several candidate hierarchical Bayesian models which directly capture the count nature of data via a generalized Poisson likelihood, model time-series dependencies via autoregressive and Gaussian process latent processes, and share statistical strength across related sites. We demonstrate our approach on public datasets for 8 hospitals in Massachusetts, U.S.A. and 10 hospitals in the United Kingdom. Further prospective evaluation compares our approach favorably to baselines currently used by stakeholders at 3 related hospitals to forecast 2-week-ahead demand by rescaling state-level forecasts.
• Abstract（参考訳）: 我々は,1つの病院で1日当たりの入院患者数を予測することで,管理者の物流や計画を支援する問題を考える。 本研究では, 一般化されたポアソン推定法を用いてデータのカウント特性を直接把握し, 自己回帰的およびガウス的プロセスによる時系列依存性をモデル化し, 関連サイト間で統計強度を共有できる候補階層ベイズモデルを開発した。 マサチューセッツ州の8つの病院とイギリスの10の病院のパブリックデータセットに対する我々のアプローチを実証する。 また,3つの病院の利害関係者が現在使っているベースラインと比較し,国家レベルの予測の再スケーリングによる2週間前需要の予測を行った。

関連論文リスト

• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Comparing Federated Stochastic Gradient Descent and Federated Averaging for Predicting Hospital Length of Stay [0.0]
  入院期間(LOS)を確実に予測することは,病院における資源配分の効率化に不可欠である。 従来の予測モデリングツールは、医療機関がプライバシー規則を定めているため、十分なデータと多様なデータを取得するのが難しいことが多い。 このモデリング手法は、病院外の機密データを抽出することなく、異なる病院からの分散データソースをモデル化することで協調的なモデルトレーニングを促進する。
  論文  参考訳（メタデータ） (2024-07-17T17:00:20Z)
• A multi-cohort study on prediction of acute brain dysfunction states using selective state space models [12.0129301272171]
  急性脳機能障害(ABD)は、その流行と患者の予後に深刻な影響があるため、重要な課題である。 本研究はElectronic Health Records(EHR)データを利用してこれらの問題を解決する。 既存のモデルでは1つの状態(例えば、デリリウムまたはコマ)だけを予測するには少なくとも24時間の観測データが必要である。 ICU滞在中12時間間隔でデリリウム、コマ、死亡、変動を動的に予測することで、既存の文献におけるこれらのギャップを埋める。
  論文  参考訳（メタデータ） (2024-03-11T22:58:11Z)
• Predicting COVID-19 and pneumonia complications from admission texts [101.28793285063904]
  入院報告に基づき,肺炎やCOVID-19に罹患した患者に対するリスクアセスメントの新たなアプローチを提案する。 入院直後の入院報告などのテキストデータにLongformerニューラルネットワークを適用し,リスクスコアを算出した。
  論文  参考訳（メタデータ） (2023-05-05T16:28:44Z)
• Modelling Hospital Strategies in City-Scale Ambulance Dispatching [0.0]
  本稿では,大都市におけるマルチエージェント医療環境における救急搬送プロセスのモデル化とシミュレーション手法を提案する。 提案手法は,統合ゲーム理論 (GT) を用いて病院戦略を同定することに基づく。 本研究は, 対象病院のPCIに誘導されたACS患者に救急車を派遣する際の問題点について考察した。
  論文  参考訳（メタデータ） (2022-01-05T22:20:12Z)
• Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
  我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。 本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
  論文  参考訳（メタデータ） (2021-11-18T00:43:41Z)
• Approximate Bayesian Computation for an Explicit-Duration Hidden Markov Model of COVID-19 Hospital Trajectories [55.786207368853084]
  新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。 幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。 本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-28T15:32:42Z)
• Forecasting Emergency Department Capacity Constraints for COVID Isolation Beds [9.358404775024109]
  小児病院の救急部門に新たに設置された新型コロナウイルス関連の容量制限は、時間単位の予測ツールの開発を促した。 当院の定位率の予測には,ポイント予測と分類精度の両面で高い性能が得られた。 私たちは現在、医療従事者の能力向上を目標に、ツールをリアルタイムな設定に移行する作業を行っています。
  論文  参考訳（メタデータ） (2020-11-09T19:35:41Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。